1.

Algoritmos Genticos
o Definicin
El algoritmo gentico (AG) imita el proceso de evolucin biolgica de
sobrevivencia del ms apto. Cada solucin factible de un problema se
considera como un cromosoma codificado por un conjunto de genes. Los
cdigos genticos ms comunes son el binario (0,1) y el numrico (0, 1,
2,, n). Por ejemplo, los cromosomas de una sola variable cuyos valores
factibles son 0, 1, 2, 3, 4, 5, 6, 7 y 8 pueden ser representados por los
cdigos binarios (0000, 1000, 0100, 1100, 0010, 1010, 0110, 1110 y 0001)
Estas ideas se transfieren hacia los problemas de optimizacin en una
forma bastante natural. Las soluciones factibles de un problema especfico
corresponden a los miembros de una especie particular, donde la aptitud
de cada miembro ahora se mide por el valor de la funcin objetivo. En
lugar de procesar una sola solucin de prueba a la vez (como sucede con
las formas bsicas de la bsqueda tab y el templado simulado), ahora se
trabaja con una poblacin completa de soluciones de prueba.1 En el caso
de cada iteracin (generacin) de un algoritmo gentico, la poblacin
actual consiste en el conjunto de soluciones de prueba que en la actualidad
estn bajo consideracin.
Estas soluciones de prueba se entienden como los miembros vivos de la
especie. Algunos de los miembros ms jvenes de la poblacin (en
especial los miembros ms aptos) sobreviven en la adultez y se convierten

en padres (aparejados de manera aleatoria) que despus tienen hijos

(nuevas soluciones de prueba) que tienen algunas de las caractersticas
(genes) de ambos padres. Como los miembros ms aptos de la poblacin
tienen una mayor probabilidad de convertirse en padres que los otros, a
medida que avanza, un algoritmo gentico tiende a generar poblaciones
mejoradas de soluciones de prueba. De vez en cuando ocurren mutaciones,
de forma que los hijos tambin pueden adquirir caractersticas (algunas
veces deseables) que no posee ninguno de los padres.
Este fenmeno ayuda a los algoritmos genticos a explorar una parte de la
regin factible, quiz mejor que la que se consider antes. Por ltimo, la
supervivencia del ms apto tiende a conducir al algoritmo gentico hacia
una solucin de prueba (la mejor de todas las consideradas) que al menos
es cercana a la ptima. Aunque la analoga con el proceso de la evolucin
biolgica define la esencia de cualquier algoritmo gentico, no es
necesario adherirse de manera rgida a esta analoga en cada detalle. Por
ejemplo, algunos algoritmos genticos (incluido el que se describe a
continuacin) permiten que la misma solucin de prueba sea un padre en
forma repetida a travs de mltiples generaciones. De modo que la
analoga debe ser slo un punto de partida para definir los detalles del
algoritmo que se ajuste mejor al problema bajo consideracin.
o Usos y aplicaciones

Optimizacin: Se trata de un campo especialmente abonado para el

uso de los Algoritmos Genticos, por las caractersticas intrnsecas

de estos problemas. No en vano fueron la fuente de inspiracin

para los creadores estos algoritmos. Los Algoritmos Genticos se
han utilizado en numerosas tareas de optimizacin, incluyendo la
optimizacin numrica, y los problemas de optimizacin
combinatoria.

Programacin automtica: Los Algoritmos Genticos se han

empleado para desarrollar programas para tareas especficas, y
para disear otras estructuras computacionales tales como el
autmata celular, y las redes de clasificacin.

Aprendizaje mquina: Los algoritmos genticos se han utilizado

tambin en muchas de estas aplicaciones, tales como la prediccin
del tiempo o la estructura de una protena. Han servido asimismo
para desarrollar determinados aspectos de sistemas particulares de
aprendizaje, como pueda ser el de los pesos en una red neuronal,
las reglas para sistemas de clasificacin de aprendizaje o sistemas
de produccin simblica, y los sensores para robots

Economa: En este caso, se ha hecho uso de estos Algoritmos para

modelizar procesos de innovacin, el desarrollo estrategias de puja,
y la aparicin de mercados econmicos.

Sistemas inmunes: A la hora de modelizar varios aspectos de los

sistemas inmunes naturales, incluyendo la mutacin somtica
durante la vida de un individuo y el descubrimiento de familias de

genes mltiples en tiempo evolutivo, ha resultado til el empleo de

esta tcnica.

Ecologa: En la modelizacin de fenmenos ecolgicos tales como

las carreras de armamento biolgico, la coevolucin de parsitohusped, la simbiosis, y el flujo de recursos.

Gentica de poblaciones: En el estudio de preguntas del tipo

Bajo qu condiciones ser viable evolutivamente un gen para la
recombinacin?

Sistemas sociales: En el estudio de aspectos evolutivos de los

sistemas sociales, tales como la evolucin del comportamiento
social en colonias de insectos, y la evolucin de la cooperacin y la
comunicacin en sistemas multi-agentes.

Aunque esta lista no es, en modo alguno, exhaustiva, s transmite la idea

de la variedad de aplicaciones que tienen los Algoritmos Genticos.
Gracias al xito en estas y otras reas, los Algoritmos Genticos han
llegado a ser un campo puntero en la investigacin actual.

Colonia de Hormigas
o Definicin
Se trata de una tcnica probabilstica para resolver problemas
computacionalmente complejos que pueden ser reducidos a la bsqueda de
buenos caminos en grafos. ACO se inspira directamente en el comportamiento de
las colonias reales de hormigas para solucionar problemas de optimizacin
combinatoria. Se basan en una colonia de hormigas artificiales, esto es, agentes
computacionales simples que trabajan de manera cooperativa y se comunican
mediante rastros de feromona artificiales.

o Usos y Aplicaciones
Los problemas de tipo

2) Cul es la diferencia entre heurstica y meta-heurstica?

La heurstica est diseada para encontrar buenas soluciones aproximadas de problemas
combinatorios difciles que de lo contrario no pueden resolverse mediante los algoritmos de
optimizacin disponibles. Una heurstica es una tcnica de bsqueda directa que utiliza reglas
favorables prcticas para localizar soluciones mejoradas. La ventaja de la heurstica es que en
general determina (buenas) soluciones con rapidez, utilizando reglas de solucin simples. La
desventaja es que la calidad de la solucin (con respecto a la ptima) suele desconocerse.
La meta-heurstica est diseada principalmente para escapar del entrampamiento en el ptimo
local al permitir movimientos inferiores, si es necesario. Se espera que la flexibilidad agregada a
la bsqueda conduzca a una mejor solucin. La meta-heurstica se basa en los siguientes puntos
de referencia:

1. La cantidad de iteraciones de bsqueda excede una cantidad especificada.

2. La cantidad de iteraciones desde la ltima mejor solucin excede una cantidad

especificada.

3. La vecindad asociada con el punto de bsqueda actual, o est vaca o no puede

conducir a un nuevo movimiento de bsqueda viable.

4. La calidad de la mejor solucin actual es aceptable.

A pesar de que la Meta-heurstica es un mtodo de la Heurstica, se diferencia en algunos

aspectos, Meta-heurstica significa literalmente encontrar ms all, es decir su bsqueda es
ms minuciosa que la que ofrece el mtodo Heurstico. A diferencia de la Heuristica, la Metaheurstica se aplican a problemas que no tienen un algoritmo o heurstica especificada, adems
mientras las Heuristica trata de huir de los ptimos locales orientado en la bsqueda de cada
momento dependiendo de la evolucin del proceso de la bsqueda. Finalmente, en contraste con
la Meta-heurstica, la Heuristica se caracteriza por su rapidez y facilidad y ofrece respuestas
buenas ms no ptimas.

3) Para qu se usa una heurstica y una meta-heurstica en optimizacin?

o Heurstica
La Heurstica se usa principalmente en problemas de optimizacin, cuando se encuentran
algunas de las caractersticas:
a. El problema es de una naturaleza tal que no se conoce ningn mtodo exacto para su
solucin.
b. Aunque exista un mtodo exacto para resolver el problema, su uso
computacionalmente costoso o inviable.
c. El mtodo heurstico es ms flexible que un mtodo exacto, permitiendo, por
ejemplo, la incorporacin de condiciones de difcil modelizacin.
d. El modelo matemtico es demasiado grande, demasiado NO lineal o demasiado
complejo desde el punto de vista lgico.
e. El asumir suposiciones o aproximaciones para simplificar el problema, tienede a
destruir estructuras del modelo que son vitales en el contexto del mundo real,
haciendo la solucin no viable.
o Meta-heurstica
Aunque algunas veces se aplican Meta-heursticas a problemas difciles de programacin
no lineal y entera, un rea de aplicacin ms comn es la de los problemas de
optimizacin combinatoria. Un ejemplo clsico de esto es conocido como el problema del
agente viajero, recibi este nombre pintoresco porque puede describirse en trminos de
un agente de ventas que debe visitar cierta cantidad de ciudades en un solo viaje. Si
comienza desde su ciudad de residencia, el agente determinar cul ruta debe seguir para

visitar cada ciudad exactamente una vez antes de regresar a su casa de manera que se
minimice la longitud total del viaje.

4)
5)
a. Bin packing problem.

b. Problema de Knapsack
El modelo de la mochila tiene que ver clsicamente con el hecho de determinar los
artculos ms valiosos que un combatiente carga en una mochila. El problema representa
un modelo de asignacin de recursos general en el cual se utilizan recursos limitados por
varias actividades econmicas. El objetivo es maximizar el rendimiento total.1 La
ecuacin recursiva (hacia atrs) se desarrolla para el problema general de asignar n
artculos a una mochila con capacidad de peso W. Sea mi la cantidad de unidades del
artculo i en la mochila, y defina ri y wi como el ingreso unitario y el peso del artculo i.
El problema general se representa como

= 1 1 + 2 2 + +
.
1 1 + 2 2 + +
1 + 2 , ,
Los tres elementos del modelo son

1. La etapa i est representada por el artculo i, i = 1, 2,, n.

2. Las alternativas en la etapa i son la cantidad de unidades del articulo i, mi= 0,1,
[W/wi], donde [W/wi] es el mayorentero que es penor o igual W/wi. Esta definicin

permite que la solucin distribuya algunos, ninguno o todos los recursos W

cualquiera de los artculos m artculos. El rendimiento para mi es rimi.
3. El estado en la etapa i, i+1,, y n. Esta definicin reconoce que el lmite de peso es
la nica restriccin que liga a todas las n etapas.
c. Problema de asignacin
El problema de asignacin es un tipo especial de problema de programacin lineal en el
que los asignados son recursos que se destinan a la realizacin de tareas. Por ejemplo, los
asignados pueden ser empleados a quienes se tiene que dar trabajo. La asignacin de
personas a trabajos es una aplicacin comn del problema de asignacin. Sin embargo,
los asignados no tienen que ser personas. Tambin pueden ser mquinas, vehculos o
plantas, o incluso periodos a los que se asignan tareas.
Para que se ajuste a la definicin de un problema de asignacin, es necesario que este tipo
de aplicaciones se formule de manera tal que se cumplan los siguientes supuestos.
1. El nmero de asignados es igual al nmero de tareas. (Este nmero se denota por n.)
2. A cada asignado se le asigna slo una tarea.
3. Cada tarea debe realizarla slo un asignado
4. Existe un costo cij asociado con el asignado i (i 5 1, 2,. . ., n) que realiza la tarea j (j= 1,
2,. . ., n).
5. El objetivo es determinar cmo deben hacerse la n asignaciones para minimizar los
costos totales.

d. Problema de transporte
Tal como se indica en la figura. Hay m orgenes y n destinos, cada uno representado por un
nodo. Los arcos representan las rutas que unen los orgenes con los destinos. El arco (i, j) que
une el origen i con el destino j transporta dos piezas de informacin: el costo de transporte por
unidad, cij y la cantidad transportada, xij. La cantidad de la oferta en el origen i es ai y la cantidad
de la demanda en el destino j es bj. El objetivo del modelo es minimizar el costo de transporte
total al mismo tiempo que se satisfacen las restricciones de la oferta y la demanda.